极端一致性:克服标注稀缺与域偏移
计算机视觉与模式识别
2020-04-28 v1 机器学习
摘要
监督学习已被证明对医学图像分析有效。然而,它只能利用数据中少量已标注的部分;它未能利用医学图像数据集中常存在的大量未标注数据。当已标注数据集尽管足够大却未能覆盖不同协议或人种时,监督模型进一步受到域偏移的制约。在本文中,我们引入极端一致性,通过在教师-学生半监督范式中最大化利用来自同域或异域的未标注数据,克服了上述局限。极端一致性是将给定图像的极端变换发送给学生网络,然后约束其预测与教师网络对未变换图像的预测保持一致的过程。我们的一致性损失的极端性质使我们的方法区别于那些仅施加温和预测一致性而导致次优性能的相关工作。我们的方法是:1)自学的,因其无需额外专家标注;2)通用的,因其同时处理域偏移与有限标注问题;3)泛化的,因其可直接应用于分类、分割和检测任务;4)易于实现的,因其无需对抗训练。我们针对皮肤和眼底图像中的病变与视网膜血管分割任务评估了我们的方法。我们的实验证明了相较现代监督网络与近期半监督模型的显著性能提升。该性能归因于极端一致性所施加强正则化,使学生网络学会如何处理标注与未标注图像的极端变体。这增强了网络在推理时处理不可避免的同源与跨域数据可变性的能力。
引用
@article{arxiv.2004.11966,
title = {Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts},
author = {Gaurav Fotedar and Nima Tajbakhsh and Shilpa Ananth and Xiaowei Ding},
journal= {arXiv preprint arXiv:2004.11966},
year = {2020}
}
备注
submitted for peer-review on March 17